推荐星级:
- 1
- 2
- 3
- 4
- 5
深度神经网络在非侵入式负荷分解中的应用
资料介绍
负荷监测是智能用电的一个重要环节,为了实现非侵入式负荷监测,提出了一种基于深度神经网络的非侵入式负荷分解方法。首先提出了改进的电器状态聚类算法,通过改进终止条件和增加消除冗余类判据使得聚类结果更符合电器实际运行情况。针对目前研究常用的隐马尔可夫模型的弱时间特性问题,提出了电器时间特性模型,综合考虑了电器运行特性和用户使用习惯,从时间角度对电器进行建模。构建了深度神经网络进行负荷分解,网络的输入综合考虑了电器状态及时间、功率信息,采用历史运行数据及时间特性模型生成数据训练网络参数。最后,在测试数据集上验证了方法的有效性和准确性。
部分文件列表
文件名 | 大小 |
深度神经网络在非侵入式负荷分解中的应用.pdf | 2M |
部分页面预览
(完整内容请下载后查看),
Vol.43No.1Jan.102019
第
卷
第
期
年
月
日
43
1
2019
ꢀ
1
10
ꢀ
: /
DOI 10.7500 A EPS20180629004
深度神经网络在非侵入式负荷分解中的应用
1 1
,
燕续峰 翟少鹏 王治华
2
1
,
芬 何光宇
1
,
,
王
ꢀ
( ,
上海交通大学电子信息与电气工程学院 上海市
1.
; ,
国网上海市电力公司电力调度控制中心 上海市
200240 2.
)
200122
: , ,
摘要 负荷监测是智能用电的一个重要环节 为了实现非侵入式负荷监测 提出了一种基于深度神
。 ,
经网络的非侵入式负荷分解方法 首先提出了改进的电器状态聚类算法 通过改进终止条件和增
。
加消除冗余类判据使得聚类结果更符合电器实际运行情况 针对目前研究常用的隐马尔可夫模型
, , ,
的弱时间特性问题 提出了电器时间特性模型 综合考虑了电器运行特性和用户使用习惯 从时间
。 ,
角度对电器进行建模 构建了深度神经网络进行负荷分解 网络的输入综合考虑了电器状态及时
、 , 。 ,
间 功率信息 采用历史运行数据及时间特性模型生成数据训练网络参数 最后 在测试数据集上
。
验证了方法的有效性和准确性
: ; ; ;
关键词 非侵入式负荷监测 电器状态聚类 时间特性模型 深度神经网络
,
能实现功率的低频采样 因而目前的研究主要围绕
引言
0
ꢀ
。
以有功为主的电器低频特征 在非侵入式功率分解
,
智能用电是智能电网的研究热点 其关键技术
,
问题 中 最常 用 的 方法 是 隐 马 尔 可 夫 模 型
(
hidden
(
之 一 是 高 级 量 测 体 系
advanced meterin
ꢀ
g
,
Markovmodel HMM
ꢀ
)。
[]
提出了一种条件
9
文献
[]
1
) 。
,
infrastructure AMI
的 一 个 重 要 功 能 是
AMI
,
高阶
通过引入时间因素提高负荷分解准确
HMM
。
实现负荷监测 负荷监测可以给出各种用电设备的
,
。
[ ]
性 但由于模型复杂导致求解难度很高 文献
10
, 、
用电情况 在此基础上可以实现用户侧能量管理 智
,
提出了 一 种 稀 疏
可 以 高 效 求 解
问
NILM
HMM
[]
2
。
能用电交互等多种功能
, 。
题 但该方法没有用到时间信息 文献
[ ]
改进了
11
(
非 侵 入 式 负 荷 监 测
nonintrusive load
- ꢀ
,
高阶
提出了一种分段二次整数约束规划的
HMM
[]
3
,
其目的是通过
,
g
)
由
monitorin NILM
提出
Hart
, 。
求解方法 可以高效求解模型 随着人工智能和深
,
非侵入式监测数据 分 解 得 到 各 电 器 的用电 情况
。
,
度学习的发展 人工神经网络也逐渐被用于
NILM
,
NILM
、
具有低安装成本 低通信
相比于侵入式监测
。
问题 当 中 文 献
[ ] (
采 用 弹 性 反 向 传 播
12 back
[]
4
。
在
、
要求 用 户 接 受 程 度 高 等 优 势
研 究
NILM
, )
神经网络对稳态谐波进行电器状
roaation BP
p pg
,
。
中 电器特征的研究是实现负荷分解的关键 目前
对电器特征的研究可以分为高频特征和低频特征两
。
态辨识 文献
[
]
使用自编码器对非侵入式功
1314
-
。
率进行分解并取得了较好的效果 文献
[ ]
将深度
15
。
类
高频特征主要是研究暂稳态电流波形及谐波所
,
结合 在
网络与
中增加了非侵入式观
HMM
HMM
。
包含的信息 文献
[]
考虑电器操作对电流波形的
5
,
测概率矩阵 一定程度上减小了未知电器对
HMM
, 。
影响 提出了一种欠定求解方法 文献
[]
通过计算
6
。
的影响
(
稳态波形与模板库的动态时间弯曲
dnamictime
y
ꢀ
,
在非侵入式负荷分解研究中 合理地构建电器
,
wra DTW
p
) 。
距离寻找分解结果 文献
[
-
]
利用电
78
。
模型可以提高分解的准确率 本文改进了用于提取
流谐波等信息结合
判别准则实现对电器的
Fisher
,
聚类方法 并提出了一种
电器状态的迭代
K means
-
。
辨别
,
电器时间特性模型 可以对电器运行特性及用户行
、
低频特征主要包括稳态有功 无功和功率因数
。
为进行建模 搭建了深度神经网络代替
实
HMM
。
等
由于当前智能电表等非侵入式监测设备一般只
。
现负荷的实时分 解 针 对 训练 网 络 所 需 数 据的问
,
题 提出了基于时间特性模型生成训练数据的方法
。
:
;
修回日期
20180629
:
。
20181017
-
收稿日期
-
-
-
,
通过数据集的测试 验证了时间特性模型的有效性
:
。
上网日期
20181120
- -
。
及深度网络在负荷分解中的准确性
(
)。
国家自然科学基金资助项目
51877134
126
,
等
燕续峰
深度神经网络在非侵入式负荷分解中的应用
ꢀ
2
,
重复步骤
ew
;
若无类中心合并
4
及类内方差
Cnew
电器模型
σ
n
1
ꢀ
。
则算法终止
附录
状态提取
1.1
ꢀ
图
展 示 了 本 文 聚 类 算 法 与 迭 代
A1
A
电器每个工作状态的功率可认为服从均 值为
、
、
方法对冰 箱 电 灯 微 波 炉 三 种 电 器 状 态
K means
-
[
]
911
-
2
、
方差为
μ
。
的正态分布
对于电器的一段历
σ
。 ,
划分的 情 况 可 以 看 出 相 比 于 迭 代
而
K means
-
,
史功率数据 可以利用聚类方法获得该电器工作的
,
言 本文方法得到的状态数目与类中心更符合人的
。 ,
几个状态 但在聚类过程中 需要首先给定类中心
, 。
直观判断 因而对电器状态的划分更为合理 附录
, ,
的数目 该参数会影响所提取的电器状态 进而对分
。
展示了两种方法对三种电器的聚类结果
表
A
A1
[
]
11
。
解算法造成影响
类中心数量过少会使得原本
1.2 HMM
ꢀ
, ;
实际的几个状态合并 导致类中心及方差不准确 类
、
观测概率矩阵
S
电器的
由隐藏状态集
HMM
,
中心数量过多会增加电器的状态空间 进而增加求
、
、 。
初始状态概率 确定
π
转移概率矩阵
B
A
, 。
解算法的复杂度 降低求解效率 文献
[
, ]
101116
-
)
电 器 的 隐 藏 状 态 集
1
{ , ,…, }
为 由
n
S= 1 2
分别对于电器状态数目确定问题提出了有关解决算
节所介绍的电器所有的 个工作状态构成的集
n
1.1
。
[ ]
的迭代
11
,
方法上 对终
K means
-
法
本文在文献
。
合
,
止条件进行了改进 并增加了冗余类中心消除判据
,
)
观测概率矩阵
2
[ ( ), ]
定义
P i 1 i n
≤ ≤
B=
f
|
e
。
使得所获得的电器状态数目更符合电器实际情况
,
了电器在状态 下消耗功率为 的概率 由于认为
P
i
电器状态的功率方差主要来自采集装置的误差
,
电器功率服从正态分布 因此观测概率矩阵是一系
,
和工作过程中的功率波动 通常功率越大的电器其
,
列的高斯密度函数 由
节的聚类结果可获得其
1.1
。 ,
功率波动幅度也越大 对于大功率电器 由于功率
、
均值 方差
。
2
,
波动与功率大小密切相关 综合考虑方差
与均值
σ
)
转移概率矩阵
3
[ ,
A= a 1 i
≤
,
j
]
定义了
n
≤
i
j
作为聚类终止条件可以更合理地反映电器功率波
μ
。
电器从前一状态 转移至后一状态 的概率 由于
i
j
; ,
动的实际情况 而对于小功率电器 采样误差对其功
,
电器的状态转移满足马尔可夫特性 因此电器的转
,
率变化的贡献更大 这时选择固定的方差阈值更为
。
移概率矩阵为一常数矩阵
。
合适
)
初始状态概率
4
[
=
π
(
q0
),
=Pr =i 1 i
≤ ≤
π
i
,
同时 均值与方差也可以用于检验相邻两个类
]
定义了电器在初始时刻
n
处于每一个状态的概
q0
。 ,
是否划分合理 对于均值相邻的两个类 它们的中
。
率
间功率样本在聚类中会等可能 地 被 判断 为其 中一
,
除用于求解
问题外
还可生成电
NILM
HMM
器的运行功率数据 但其生成数据不具有时间信息
而电器状态的持续或切换都具 有 很 强 的 时 间相关
, ,
类 若分类合理 中间样本属于两个类的概率均应当
,
。
; ,
非常小 反之 若中间样本有较大概率同时属于两个
, 。
类 那 么 这 两 个 类 应 该 被 合 并 改 进 后 的 迭 代
, 、 、
性 比如洗衣机和冰箱的工作循环 电灯的开启 厨
。
算法流程如下
K means
-
。
,
中 电器状态转移被视
房电器的使用等
在
HMM
:
给 定 一 段 长 度 为
1
步骤
的 功 率 数 据
T P=
,
为概率问题 因而无法考虑时间对电器状态转换的
[ ,
P1 P2
,…, ],
给定阈值
PT
(
,
即
0.05
本文取为
δ
thre
。
影响 由于电器的
,
具有马尔可夫特性 一个
HMM
),
小功率标准
(
本文
认为功率波动不超过
5%
Psta
nd
开了
的电灯与一个开了
的电灯当前时刻
1min
1h
),
给定类中心初值
。
k=2
取为
100 W
;
向关闭状态转移的概率相等 一个电视在午夜开启
:
步骤 对其进行
2
,
聚类 得到聚类中心
K means
-
。 ,
和在上午开启的概率也相等 从实际情况来看 这
2
2
[ ,
C= C1 C2
,…, ],
以 及 类 内 方 差
Ck
[ ,
=
σ
σ
1
。 ,
样的假设并不完全符合电器的使用特性 此外 电
2
2
,…, ]。
σ
σ
2
k
,
参数与采样频率相关 当采样频率变化
器的
HMM
: ,
步骤 对每一个类 当功率均值
3
小于
Psta
C
i
nd
, 。
时 转移概率矩阵 的参数将会随之变化 在采样
A
,
时 检查标准 差
,
若 小 于 阈 值
则 转步 骤
rePsta
nd
σ
i
δ
th
,
的情况下 两者的转移概率矩
1Hz 60Hz
频率为
和
,
否则令
4
, ;
转步骤 当功率均值
2
大于
C
i
k=k+1
。
阵会有很大区别 因而
不能很好地适用于
HMM
,
时 检查标准差与均值的比值
/ ,
若小于阈
C
Psta
。
σ
i
nd
i
采样频率变化的情景
,
。
转步骤
2
值
则转步骤 否则
δ
thre
4
k=k+1
时间特性模型
1.3
ꢀ
:
步骤 将类中心按照功率从小到大排列依次
4
,
在时间特性上的缺点 本文在
HMM
为了克服
,
C -2
< σ
i i
检查相邻两个类是否满足
,
其基础上提出了一种电器的时间特性模型 对电器
C
i-1
+2
σ
i-1
, ,
若不满足 则将两个类中心合并为一个 更新类中心
。
的使 用 习 惯 进 行 了 更 好 的 建 模 该 模 型 保 留 了
://
htt
www.aesinfo.com
p
-
127
p
全部评论(0)